روش جدید پایش نوک پره توربین با استفاده از سنسور مایکروویو و الگوریتم کلاسه‌بندی k نزدیک‌ترین همسایه (k-nn)

در این مقاله، یک سنسور مایکروویو باند k برای پایش پره توربین شبیه‌سازی و در نرم افزار cst بهینه‌سازی شده است و با استفاده از یک مدل ساده شده توربین در نرم‌افزار cst اثر قرار دادن سنسور در بدنه توربین بررسی شده است و چنانچه هر تغییر شکل در نوک تیغه و یا جابجایی در فاصله مابین نوک تیغه تا پوسته انجام گردد پارامتر پراکندگی این سنسور تغییر می‌کند و پارامتر پراکندگی بدست آمده از سنسور به عنوان اثر انگشت تیغه توربین تعریف می‌شود. در این مقاله شاخص‌های اندازه‌گیری مبتنی بر پارامترهای پراکندگی میدان نزدیک سنسور مایکروویو بعنوان سیستم تشخیص خرابی نوک تیغه و همچنین الگوریتم کلاسه‌بندی knn برای تفسیر پارامترهای پراکندگی قابل اندازه‌گیری به‌منظور تعیین مقدار خرابی بعنوان روشی جدید برای پایش پره توربین ارائه گردیده است. مزیت این روش پایش برخط پره توربین با استخراج کامل شاخص‌های اندازه‌گیری ناشی از پارامترهای پراکندگی یک پره نمونه بوده و نشان داده شده است که روش طبقه‌بندی knn دقت قابل قبولی در شناسایی و تعیین مقدار فاصله نوک پره توربین از پوسته و تغییر شکل نوک پره دارد چراکه در این روش درصد خطا می‌تواند به زیر 1.8 درصد برسد.

New Method for Monitoring of Turbine Blade Tip Using Microwave Sensor and k-Nearest Neighbor Classification Algorithm

In this paper, a K band microwave sensor is simulated to monitoring of turbine blade and is optimized in CST software and And is embedded in the turbine shell and if any change in the tip of the blade or displacement at the tip clearance, the scattering parameters of this sensor is changed and the scattering parameter obtained from the sensor mounted on the crust is defined as the turbine blade fingerprint. In this paper, the measurements indices based on scattering parameters of the near field of microwave sensor as a blade tip failure detector system as well as kNN classification algorithm for interpreting measurable scattering parameters to determine the failure amount as a new method for monitoring of turbine blade is presented. The advantage of this method is online monitoring of turbine blades with fully extracting the measuring indices due to the scattering parameters of a sample blade and It has been shown that the kNN classification method has an acceptable accuracy in identifying and determining the amount of tip clearance and the deformation of the blade because the error rate can be reached below 1.8% in this way.